Publicações na web (e.g. notícias) podem influenciar a opinião pública acerca de certas entidades (e.g., políticos, instituições). vários indicadores podem ser automaticamente extraídos dos textos dessas publicações e usados para estimar o comportamento do desempenho das entidades (e.g., popularidade, intenção de votos) ao longo do tempo. este trabalho propõe um método automático que utiliza ferramentas do estado da arte em processamento de linguagem natural para identificar menções a entidades em textos e os sentimentos a elas associados. a partir dessas informações o método proposto calcula métricas que são usadas para construir modelos de regressão e de classificação para estimar tendências de desempenho das entidades mencionadas ou de entidades semanticamente relacionadas a elas. nosso método calcula métricas de desempenho a partir de indicadores consolidados para entidades semanticamente relacionadas, avalia as correlações dessas métricas consolidadas com o desempenho real das entidades e usa essas métricas consolidadas para estimar o comportamento do desempenho de cada entidade. um algoritmo genético, alguns métodos de classificação e técnicas de regressão foram usados para compor tais métricas consolidadas e efetuar predições de maneiras adequadas. resultados experimentais em estudos de caso envolvendo política e economia mostram que métricas consolidadas para várias entidades inter-relacionadas são melhor correlacionadas com medidas reais de desempenho observadas para algumas entidades-alvo e levam a melhores previsões, em comparação com métricas para apenas uma entidade.